Понедельник, 4 марта, 2024
ДомойТехнологииРеволюция в искусственном интеллекте: новый мозгоподобный транзистор имитирует человеческий интеллект

Революция в искусственном интеллекте: новый мозгоподобный транзистор имитирует человеческий интеллект

- Advertisement -

Исследователи разработали новый синаптический транзистор, который имитирует интегрированные возможности обработки и памяти человеческого мозга. Это устройство работает при комнатной температуре, является энергоэффективным и может выполнять сложные когнитивные задачи, такие как ассоциативное обучение, что делает его значительным достижением в области искусственного интеллекта. Фото: Сяодун Ян/Северо-Западный университет.

Транзистор проводит энергоэффективное ассоциативное обучение при комнатной температуре.

Опираясь на сложную работу человеческого мозга, группа исследователей из Северо-Западного университета, Бостонского колледжа и Массачусетского технологического института (MIT) создала инновационный синаптический транзистор.

Это продвинутое устройство не только обрабатывает, но и хранит информацию, отражая многофункциональную природу человеческого мозга. Недавние эксперименты команды показали, что этот транзистор выходит за рамки простых задач машинного обучения по классификации данных и способен выполнять ассоциативное обучение.

Хотя предыдущие исследования использовали аналогичные стратегии для разработки вычислительных устройств, подобных мозгу, эти транзисторы не могут функционировать вне криогенных температур. Новое устройство, напротив, стабильно при комнатной температуре. Он также работает на высоких скоростях, потребляет очень мало энергии и сохраняет сохраненную информацию даже при отключении питания, что делает его идеальным для реальных приложений.

Исследование было недавно опубликовано в журнале Природа.

Имитация эффективности мозга

«Мозг имеет принципиально иную архитектуру, чем цифровой компьютер», — сказал Марк Херсам из Northwestern, который возглавлял исследование. «В цифровом компьютере данные перемещаются между микропроцессором и памятью туда и обратно, что потребляет много энергии и создает узкие места при попытке одновременного выполнения нескольких задач. С другой стороны, в мозге память и обработка информации расположены рядом и полностью интегрированы, что приводит к повышению энергоэффективности на несколько порядков. Наш синаптический транзистор аналогичным образом обеспечивает функциональность одновременной памяти и обработки информации, более точно имитируя работу мозга».

Херсам — профессор материаловедения и инженерии Уолтера П. Мерфи в Инженерной школе Маккормика Северо-Западного университета. Он также является заведующим кафедрой материаловедения и инженерии, директором Центра материаловедения и инженерии и членом Международного института нанотехнологий. Херсам руководил исследованием вместе с Цьонг Ма из Бостонского колледжа и Пабло Харильо-Эрреро из Массачусетский технологический институт.

Движущие силы развития

Недавние достижения в области искусственного интеллекта (ИИ) побудили исследователей разработать компьютеры, которые работают больше как человеческий мозг. Обычные цифровые вычислительные системы имеют отдельные блоки обработки и хранения, в результате чего задачи, требующие больших объемов данных, потребляют большое количество энергии. Поскольку интеллектуальные устройства постоянно собирают огромные объемы данных, исследователи пытаются найти новые способы их обработки без потребления все большего количества энергии. В настоящее время резистор памяти, или «мемристор», является наиболее развитой технологией, которая может выполнять совмещенные функции обработки и памяти. Однако мемристоры по-прежнему страдают от энергозатратных переключений.

«В течение нескольких десятилетий парадигма в электронике заключалась в том, чтобы строить все на транзисторах и использовать одну и ту же кремниевую архитектуру», — сказал Херсам. «Значительный прогресс был достигнут за счет простой упаковки все большего и большего количества транзисторов в интегральные схемы. Вы не можете отрицать успех этой стратегии, но она достигается за счет высокого энергопотребления, особенно в нынешнюю эпоху больших данных, когда цифровые вычисления готовы сокрушить энергосистему. Нам необходимо переосмыслить вычислительное оборудование, особенно для задач искусственного интеллекта и машинного обучения».

Инновационный дизайн с использованием муаровых узоров

Чтобы переосмыслить эту парадигму, Херсам и его команда исследовали новые достижения в физике муаровых узоров — типа геометрического дизайна, который возникает, когда два узора накладываются друг на друга. Когда двумерные материалы складываются друг в друга, появляются новые свойства, которые не существуют только в одном слое. А когда эти слои скручиваются, образуя муаровый узор, становится возможной беспрецедентная настройка электронных свойств.

Для нового устройства исследователи объединили два разных типа атомно тонких материалов: двухслойный графен и гексагональный нитрид бора. Когда материалы складывались и целенаправленно скручивались, они образовывали муаровый узор. Вращая один слой относительно другого, исследователи смогли добиться разных электронных свойств в каждом слое графена, даже если их разделяют лишь размеры атомного масштаба. Сделав правильный выбор, исследователи использовали физику муара для нейроморфной функциональности при комнатной температуре.

«Поскольку поворот является новым параметром конструкции, количество перестановок огромно», — сказал Херсам. «Графен и гексагональный нитрид бора очень похожи структурно, но различаются настолько, что дают исключительно сильный муаровый эффект».

Расширенные возможности и тестирование

Чтобы протестировать транзистор, Херсам и его команда научили его распознавать схожие, но не идентичные закономерности. Чуть ранее в этом месяце Херсам представил новое наноэлектронное устройство, способное анализировать и классифицировать данные энергоэффективным способом, но его новый синаптический транзистор требует машинное обучение и ИИ на шаг дальше.

«Если ИИ предназначен для имитации человеческого мышления, одной из задач самого низкого уровня будет классификация данных, то есть просто сортировка по ячейкам», — сказал Херсам. «Наша цель — продвигать технологии искусственного интеллекта в направлении мышления более высокого уровня. Реальные условия зачастую сложнее, чем могут выдержать современные алгоритмы искусственного интеллекта, поэтому мы протестировали наши новые устройства в более сложных условиях, чтобы проверить их расширенные возможности».

Сначала исследователи показали устройству одну закономерность: 000 (три нуля подряд). Затем они попросили ИИ идентифицировать похожие шаблоны, например 111 или 101. «Если мы обучим его обнаруживать 000, а затем дадим ему 111 и 101, он поймет, что 111 больше похож на 000, чем на 101», — объяснил Херсам. «000 и 111 — это не совсем одно и то же, но оба представляют собой три цифры подряд. Признание того, что сходство — это форма познания более высокого уровня, известная как ассоциативное обучение».

В экспериментах новый синаптический транзистор успешно распознавал подобные закономерности, проявляя свою ассоциативную память. Даже когда исследователи бросали кривые мячи — например, давали ему неполные шаблоны — он все равно успешно демонстрировал ассоциативное обучение.

«Существующий искусственный интеллект легко сбить с толку, что может вызвать серьезные проблемы в определенных контекстах», — сказал Херсам. «Представьте, что вы пользуетесь беспилотным транспортным средством, а погодные условия ухудшаются. Транспортное средство может оказаться не в состоянии интерпретировать более сложные данные датчиков так, как это может сделать водитель-человек. Но даже когда мы давали нашему транзистору несовершенные входные данные, он все равно мог определить правильный ответ».

Ссылка: «Муаровый синаптический транзистор с нейроморфной функциональностью при комнатной температуре», Сяодун Ян, Чжирен Чжэн, Винод К. Сангван, Джастин Х. Цянь, Сюэцяо Ван, Стефани Э. Лю, Кенджи Ватанабэ, Такаши Танигучи, Су-Ян Сюй, Пабло Харильо-Эрреро, Ционг Ма и Марк К. Херсам, 20 декабря 2023 г., Природа.
DOI: 10.1038/s41586-023-06791-1

Исследование финансировалось Национальным научным фондом.

Исходная ссылка

- Advertisement -

Популярное по теме